基于混合差分蜂群算法的城市電動汽車充電站布局規(guī)劃

李菁華，張　崢，方　達(dá)，張欣宜，鞠默欣，

(1.東北電力大學(xué) 電氣工程學(xué)院,吉林 吉林 132012；2.國網(wǎng)遼寧省電力公司 大連供電公司,遼寧 大連 116021；3.國網(wǎng)陜西省電力公司 西安供電公司,西安 710032；4.國網(wǎng)吉林省電力公司 電力科學(xué)研究院,長春 130021；)

?

基于混合差分蜂群算法的城市電動汽車充電站布局規(guī)劃

李菁華1，張崢1，方達(dá)2，張欣宜3，鞠默欣4，

(1.東北電力大學(xué) 電氣工程學(xué)院,吉林 吉林 132012；2.國網(wǎng)遼寧省電力公司 大連供電公司,遼寧 大連 116021；3.國網(wǎng)陜西省電力公司 西安供電公司,西安 710032；4.國網(wǎng)吉林省電力公司 電力科學(xué)研究院,長春 130021；)

考慮城市內(nèi)電動汽車的動態(tài)分布以及充電站建設(shè)的規(guī)模、成本等，建立以充電站的建設(shè)成本、運(yùn)營成本和輸電損耗為基礎(chǔ)，以道路交通流量為約束條件，充分考慮區(qū)域地理?xiàng)l件、運(yùn)行成本等綜合優(yōu)化模型。在確定目標(biāo)函數(shù)的基礎(chǔ)上，使用混合差分蜂群算法優(yōu)化區(qū)域內(nèi)充電站的空間布局?；旌狭瞬罘诌M(jìn)化算法和人工蜂群算法，提高了收斂速度，并且使目標(biāo)函數(shù)值更優(yōu)。最后用算例證明所使用的模型與優(yōu)化算法在優(yōu)化充電站布局方面的可靠性和優(yōu)越性。

混合差分蜂群算法；電動汽車；充電站

隨著石油等石化燃料價(jià)格的不斷攀升，汽車排放的污染物等帶來的環(huán)保方面問題的關(guān)注度不斷提高，節(jié)能減排已經(jīng)是全世界熱度最高的課題之一，各領(lǐng)域的研究中都加大了考慮節(jié)能減排的力度，新能源汽車在此時(shí)迎來了大力發(fā)展的機(jī)會。世界上的一些發(fā)達(dá)國家早已展開了對電動汽車的研究與普及，在洛杉磯、巴黎、柏林等城市大興建設(shè)充電站等電動汽車配套設(shè)施。在我國，電動汽車的研究起步較晚，近幾年的國家政策中越來越多地提出對于發(fā)展新能源汽車的相關(guān)條款。根據(jù)2013年中華人民共和國國家統(tǒng)計(jì)局統(tǒng)計(jì)年鑒公布的相關(guān)統(tǒng)計(jì)數(shù)據(jù)，到2020年，純電動汽車、充電式混合動力汽車和其他新能源汽車將占據(jù)中國10%-20%的乘用車銷量，并將逐漸在城市交通中各類型乘用車中占據(jù)主導(dǎo)地位，2020年我國電動汽車的保有量將達(dá)到2.5億輛[1]，如此大的規(guī)模將對我國電網(wǎng)供用電、市場經(jīng)濟(jì)和節(jié)能減排策略等方面帶來巨大的影響與挑戰(zhàn)。因此，發(fā)展電動汽車及其相關(guān)設(shè)施等方面的研究在現(xiàn)實(shí)中有著重要的意義。

城市中與電動汽車最相關(guān)的就是充電設(shè)施的建設(shè)，充電設(shè)施的完備與否對于電動汽車發(fā)展進(jìn)程有著直接影響。由于我國電動汽車逐漸進(jìn)入規(guī)?；途W(wǎng)絡(luò)化以及目前城市內(nèi)部建設(shè)的日漸飽和，城市相關(guān)規(guī)劃部門和交通部門主要需要考慮充電設(shè)施的優(yōu)化布局問題。文獻(xiàn)[2]提出了適用于多個電動汽車快速直流充電的模型，使用獨(dú)立的中央控制處理，并用仿真驗(yàn)證該模型在車輛快充和并入電網(wǎng)的可行性。文獻(xiàn)[3]將國內(nèi)外對于電動汽車相關(guān)充電設(shè)施的發(fā)展和現(xiàn)狀進(jìn)行了分析比對，并闡述了在不同類型的新能源汽車的不同充電模式下的特點(diǎn)與差異。文獻(xiàn)[4]在研究了電動汽車充電站接入配電網(wǎng)后產(chǎn)生諧波的特點(diǎn)和計(jì)算方法的基礎(chǔ)上，建立了充電站諧波計(jì)算仿真模型，通過對仿真數(shù)據(jù)及充電站諧波特點(diǎn)的分析，提出了一種簡化的充電站諧波工程算法。文獻(xiàn)[5]建立電動汽車日換電需求模型，考慮削峰填谷作用利用改進(jìn)遺傳算法與自適應(yīng)粒子群相結(jié)合的混合智能算法對充電站規(guī)劃進(jìn)行優(yōu)化，同時(shí)將加權(quán)伏羅諾伊圖應(yīng)用于集中型充電站服務(wù)區(qū)域的劃分，實(shí)現(xiàn)了集中型充電站負(fù)載率的均衡。

現(xiàn)有的文獻(xiàn)大多局限于充電設(shè)施的運(yùn)營模式、諧波分析、選址原則等方面的研究，本文首先從定量的角度考慮區(qū)域不同類型、土地成本和道路電動汽車數(shù)量等，使用以交通流量信息為約束條件，充電站年均綜合成本最小化為目標(biāo)函數(shù)的綜合優(yōu)化數(shù)學(xué)模型，在此基礎(chǔ)上將差分進(jìn)化算法與人工蜂群算法相結(jié)合，以更快的收斂速度、更高的搜索精度和更符合優(yōu)化要求的目標(biāo)函數(shù)值來對電動汽車充電站布局進(jìn)行優(yōu)化，最后通過一個實(shí)際算例對本文的模型和計(jì)算結(jié)果的可行性和可靠性進(jìn)行驗(yàn)證。

1　電動汽車充電站規(guī)劃布局模型

電動汽車充電站的主要功能是向電動汽車提供滿足各種狀態(tài)下的需要的高質(zhì)量充電的服務(wù)，其在建設(shè)和運(yùn)營過程中需考慮同時(shí)充電汽車的數(shù)量、道路交通流量等狀態(tài)信息，以及建設(shè)成本、供電損耗、維修費(fèi)用等經(jīng)濟(jì)成本。本文在進(jìn)行充電站布局優(yōu)化中使用以各類經(jīng)濟(jì)成本為基礎(chǔ)，交通流量為約束條件，充電站年均綜合成本最小化為目標(biāo)函數(shù)的綜合優(yōu)化模型[6]。

(1)

(2)

(3)

(4)

(5)

(6)

(7)

2　混合差分蜂群算法

2.1人工蜂群算法

人工蜂群算法(Artificial Bee Colony，ABC)是近年新興的智能算法，在2005年由土耳其學(xué)者Karaboga提出[7-8]，主要是通過學(xué)習(xí)模仿自然界中蜂群在無統(tǒng)一指揮情況下精準(zhǔn)確定優(yōu)質(zhì)蜜源的智慧行為而提出的算法。人工蜂群算法主要由蜜源、引領(lǐng)蜂、跟隨蜂和偵查蜂四部分構(gòu)成。引領(lǐng)蜂負(fù)責(zé)發(fā)現(xiàn)蜜源，并在數(shù)量上與蜜源一一對應(yīng)；跟隨蜂通過與引領(lǐng)蜂交換信息，找到蜜源并進(jìn)行挑選，其在數(shù)量上也對應(yīng)于蜜源數(shù)量；如果引領(lǐng)蜂和跟隨蜂在閾值limit次的篩選蜜源過程中不能挑出質(zhì)量更好的蜜源，引領(lǐng)蜂就會放棄現(xiàn)有的蜜源，并自身轉(zhuǎn)換為偵查蜂去發(fā)掘新的蜜源，當(dāng)發(fā)現(xiàn)新蜜源后，其又會重新轉(zhuǎn)化為引領(lǐng)蜂的角色。上述過程中的蜜源就是待優(yōu)化問題的可能解，引領(lǐng)蜂用來維持優(yōu)良解，跟隨蜂用來提高收斂速度和質(zhì)量，偵查蜂用來使優(yōu)化過程擺脫局部最優(yōu)而從更大范圍尋求最優(yōu)。人工蜂群算法操作簡單、控制參數(shù)少，不需要外界信息，搜索精度高，其特有的角色轉(zhuǎn)換機(jī)制使得收斂速度大大提高。目前，人工蜂群算法已經(jīng)成功應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練、組合優(yōu)化、電力系統(tǒng)優(yōu)化、系統(tǒng)和工程設(shè)計(jì)等多個領(lǐng)域。

但由于該算法時(shí)間提出時(shí)間較晚，目前的研究成果比較分散且缺乏系統(tǒng)性，而且同很多全局優(yōu)化算法一樣，人工蜂群算法在實(shí)際應(yīng)用中，對于參數(shù)的設(shè)定有很強(qiáng)的依賴性，對收斂模型的建立的要求也很高。本文使用的混合差分蜂群算法(Hybrid Differential Evolution and Bee Colony Algorithm，HDEBC)是2014年郭童、林峰提出的[9]，是將差分進(jìn)化算法同人工蜂群算法相結(jié)合，兩種方法都是啟發(fā)式的優(yōu)化算法，都需要進(jìn)行個體“變異”產(chǎn)生新個體來不斷尋求最優(yōu)解，但由于人工蜂群算法幾乎不考慮外部因素，而差分進(jìn)化算法在“變異”操作過程中更多地吸收外部信息，這使得新產(chǎn)生的個體比原個體有較大的差異，能更早擺脫局部最優(yōu)而進(jìn)入更大范圍的擇優(yōu)過程。

2.2混合差分蜂群算法

混合差分蜂群算法主要由變異行為、交叉行為和選擇行為三部分構(gòu)成。

(8)

式中：fi為第i個解的適應(yīng)度值；NP為待優(yōu)化問題潛在解的個數(shù)。

(9)

(10)

用式(10)更新即為將此時(shí)的個體與全局最優(yōu)個體交叉以加快收斂速度，此時(shí)的交叉率Pb一般選擇為0.05-0.15。

3　基于HDEBC的電動汽車充電站規(guī)劃布局優(yōu)化

運(yùn)用本文所使用的HDEBC算法，對城市電動汽車充電站進(jìn)行規(guī)劃的流程如下：

圖1　HDEBC算法流理圖

1) 算法參數(shù)初始化。根據(jù)滿足區(qū)域最大充電需求和不同等級的充電站之間的關(guān)系確定充電站數(shù)量n的取值范圍;

2) 充電站位置初始化。對于不同的充電站數(shù)量n及初始種群規(guī)模參數(shù)，隨機(jī)給出充電站初始位置;

3) “聚類”操作。針對不同的n，將當(dāng)前的個體按照就近原則把充電負(fù)荷分配到地理位置最近的充電站；當(dāng)距離某個充電負(fù)荷最近的充電站容量達(dá)到上限時(shí)，則將該充電負(fù)荷分配到距離次近的充電站，如此進(jìn)行直到分配結(jié)束為止；考慮其他相關(guān)因素，根據(jù)式(1)計(jì)算出每個優(yōu)化結(jié)果的目標(biāo)函數(shù)值;

4) 引領(lǐng)蜂階段：針對當(dāng)前種群，進(jìn)行差分進(jìn)化操作，包括變異操作、交叉操作和貪婪選擇操作;

5) 跟隨蜂階段：針對當(dāng)前種群，用輪盤賭選擇機(jī)制進(jìn)行差分進(jìn)化操作;

6) 偵查蜂階段：針對當(dāng)前達(dá)到閾值Limit次迭代沒有更新出更優(yōu)的個體進(jìn)行重新初始化操作;

7) 若滿足算法終止條件則終止算法，并輸出最優(yōu)解，否則轉(zhuǎn)到步驟3)。

由上述步驟形成的流程圖，見圖1。

4　算例分析

本文以某市某區(qū)為例：該區(qū)域總面積22.6 km2，東西跨度4.1 km，南北跨度5.5 km；主干道2條，次干道4條，支路7條；區(qū)域常住人口4.2萬人，區(qū)域內(nèi)日均車流總量為3.246萬輛。擬在該區(qū)域內(nèi)建立若干個電動汽車充電站，使得在目標(biāo)運(yùn)行年限為20年的情況下充電站年均綜合費(fèi)用最小。

表1　充電站的等級及相應(yīng)成本

表2　各類型土地成本

表3　交通流量數(shù)據(jù)

表4　參數(shù)取值表

根據(jù)表3和表4的數(shù)據(jù)，結(jié)合算例基本信息，可求得該區(qū)域最大同時(shí)充電電動汽車數(shù)為97。再結(jié)合表1的數(shù)據(jù)，若按1等級充電站建設(shè)全區(qū)域最少需要建3座充電站，若按4等級充電站建設(shè)全區(qū)域最多需要建13座充電站。設(shè)本算例中需要求得的最優(yōu)建設(shè)方案中的充電站座數(shù)為n，則n的取值為[3，13]內(nèi)的整數(shù)。跟據(jù)n的不同得到不同的年均綜合費(fèi)用，通過優(yōu)化得到使年均綜合費(fèi)用最小的n以及具體的年均綜合費(fèi)用值。

表5　優(yōu)化結(jié)果

由于在實(shí)際情況中，不同用地性質(zhì)下的土地征地成本不同，結(jié)合表1-表4的數(shù)據(jù)，可知不同的用地成本與規(guī)模對于建站綜合成本有著很大的影響。隨著充電站建站數(shù)量的增加，單個充電站的規(guī)模隨之縮小，充電機(jī)數(shù)目和占地面積也隨之減少，而單臺充電機(jī)的本體造價(jià)卻隨之上升。而充電機(jī)的本體造價(jià)是充電站建設(shè)成本的主要構(gòu)成之一，隨著充電站建設(shè)數(shù)量的上升總建設(shè)成本也將隨之上升。

圖2　建站位置示意圖

在運(yùn)算中，幾種參數(shù)取值如下：種群規(guī)模取值50，慣性因子變化范圍為0.4-0.8，變異概率為0.04，學(xué)習(xí)因子為2.0，限定迭代次數(shù)為150次。

基于以上基本數(shù)據(jù)，對算例進(jìn)行50次獨(dú)立運(yùn)行，得到在[3，13]范圍內(nèi)建設(shè)充電站年均綜合費(fèi)用最小值分別為314.45、312.38、316.21、328.72、363.56、420.14、425.34、430.84、453.68、471.2、488.72萬元。由以上結(jié)果可知，建設(shè)3座充電站和5座充電站時(shí)目標(biāo)結(jié)果相對較優(yōu)，建設(shè)4座充電站時(shí)目標(biāo)結(jié)果最優(yōu)。同時(shí)，根據(jù)上述數(shù)據(jù)從建設(shè)4座充電站開始隨著建設(shè)充電站數(shù)量的增加，目標(biāo)函數(shù)值也隨之不斷上升可以看出，結(jié)果同之前的預(yù)期完全一致。規(guī)劃區(qū)域建設(shè)4座充電站的各充電站等級和坐標(biāo)位置如表5所示，空間位置如圖2所示。同時(shí)可以看出，各個充電電站位置也都在各自服務(wù)區(qū)內(nèi)滿足該區(qū)車輛充電的需求。根據(jù)國家統(tǒng)計(jì)局公布的相關(guān)數(shù)據(jù)可知，電動汽車的數(shù)量在整個私人汽車需求量的比重直接影響了對充電站優(yōu)化建設(shè)的結(jié)果。隨著電動汽車保有率的增加，隨機(jī)時(shí)刻下的電動汽車充電需求也隨之增加，同時(shí)也加大了對每個需要充電負(fù)荷點(diǎn)的就近充電站容量的需求。通過改變電動汽車的保有率ξ的參數(shù)，得到不同的充電站優(yōu)化結(jié)果。當(dāng)ξ值分別取10%(以上計(jì)算所使用參數(shù))、20%和40%時(shí)，得到的優(yōu)化結(jié)果整理如表6。

表6　不同ξ值下的優(yōu)化結(jié)果

圖3　2種算法下的最佳適應(yīng)度曲線對比

最后將本文所使用的算法優(yōu)化結(jié)果同單一使用人工蜂群算法所得到的優(yōu)化結(jié)果相對比[12]，如圖3所示。

從對比圖中明顯看出，混合了差分進(jìn)化算法的HDEBC算法在收斂速度上比單一人工蜂群算法快至少10次迭代，并且優(yōu)化得到的目標(biāo)函數(shù)值也小至少5萬元。在迭代前期，HDEBC算法收斂速度很快，并在30次迭代內(nèi)達(dá)到目標(biāo)函數(shù)最小。

運(yùn)算過程中，對比兩種算法在迭代10次和50次時(shí)的情況如圖4。

圖4　HDEBC算法和ABC算法迭代過程對比圖

產(chǎn)生差異主要由于人工蜂群算法幾乎不采取外部信息，僅靠內(nèi)部特有的角色轉(zhuǎn)換機(jī)制完成多次迭代，而混合差分蜂群算法在每次產(chǎn)生新的個體時(shí)都充分考慮到維持種群的多樣性，保留更優(yōu)個體的同時(shí)也保留一部分劣質(zhì)個體，從而避免陷入局部最優(yōu)的情況。

根據(jù)以上分析可知，考慮電動汽車保有率、充電需求點(diǎn)位置、土地成本、建設(shè)成本等在不同位置建站對于充電站規(guī)劃有著不同影響，同時(shí)通過算例證明本文所使用的綜合優(yōu)化模型在實(shí)際計(jì)算中良好的輔助決策作用以及HDEBC算法在電動汽車充電站布局優(yōu)化問題上的可行性和優(yōu)越性。

5　結(jié)　　論

本文考慮不同等級充電站的服務(wù)能力、規(guī)模、占地成本以及區(qū)域不同等級道路的交通流量信息、電動汽車充電需求點(diǎn)位置等，使用以交通流量信息為約束條件的綜合優(yōu)化模型?；诖耸褂没旌喜罘址淙核惴ǎ瑢^(qū)域充電站建設(shè)數(shù)目、規(guī)模等進(jìn)行優(yōu)化，并得出以下結(jié)論：

1)本文使用的綜合優(yōu)化模型考慮了建設(shè)充電站成本和電動汽車充電需求成本，較為科學(xué)、全面地表述了實(shí)際情況下區(qū)域電動汽車充電站布局規(guī)劃過程；

2)HDEBC算法相比于單一的ABC算法具有更好的收斂速度和更低的目標(biāo)函數(shù)值，差分進(jìn)化算法充分考慮外部信息進(jìn)行擇優(yōu)變異的特點(diǎn)使HDEBC算法更多地考慮種群多樣性，加快了收斂速度與精度避免運(yùn)行陷入局部最優(yōu)；

3)算例結(jié)果證明本文算法與模型的使用的優(yōu)越性。

同時(shí)，由于HDEBC中的基礎(chǔ)算法ABC算法是近幾年才提出和推廣的算法，其在實(shí)際運(yùn)用中還缺乏實(shí)例和系統(tǒng)性，同時(shí)同很多智能算法相似，HDEBC算法對于收斂模型的建立有一定的依賴性，在之后的研究中仍需要對HDEBC算法繼續(xù)豐富和改進(jìn)。

[1]中華人民共和國國家統(tǒng)計(jì)局.中國統(tǒng)計(jì)年鑒.2013[M].中國統(tǒng)計(jì)出版社，2013.

[2] Arancibia A，Strunz K.Modeling of an electric vehicle charging station for fast DC charging[C]//2012 IEEE International Electric Vehicle Conference.2012：1-6.

[3]陳良亮，張浩，倪峰，等.電動汽車能源供給設(shè)施建設(shè)現(xiàn)狀與發(fā)展探討[J].電力系統(tǒng)自動化，2011，35(14)：11-17.

[4]黃梅，黃少芳.電動汽車充電站諧波的工程計(jì)算方法[J].電網(wǎng)技術(shù)，2008,32(20)：20-23.

[5]所麗，唐巍，白牧可，等.考慮削峰填谷的配電網(wǎng)集中型充電站選址定容規(guī)劃[J].中國電機(jī)工程學(xué)報(bào)，2014,34(7)：1052-1060.

[6]劉自發(fā)，張偉，王澤黎.基于量子粒子群優(yōu)化算法的城市電動汽車充電站優(yōu)化布局[J].中國電機(jī)工程學(xué)報(bào)，2012,32(22)：39-45.

[7]D Karaboga.An idea based on honey bee swarm for numerical optimization[R].Compu- ters Engineering Department,Engineering Faculty,Ericyes University,2005.

[8]D Karaboga.A comparative study of artificial bee colony algorithm[J].Applied Mathematics and Computation,2009,2(14): 108-132.

[9]郭童，林峰.基于混合差分蜂群算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[J].模式識別與人工智能，2014,27(6)：540-545.

[10] 北京市質(zhì)量技術(shù)監(jiān)督局.DB11/Z 728-2010 電動汽車電能供給與保障技術(shù)規(guī)范：充電站[S].北京：北京市質(zhì)量技術(shù)監(jiān)督局，2010.

[11] 任玉瓏，史樂峰，張謙，等.電動汽車充電站最優(yōu)分布和規(guī)模研究[J].電力系統(tǒng)自動化，2011，35(14)：53-57.

[12] 張成，滕歡.電動汽車充電站規(guī)劃模型及評價(jià)方法[J].電力系統(tǒng)及其自動化學(xué)報(bào)，2014，28(1)：49-52.

Optimal Planning of Charging Station for Electric Vehicle Based on Hybrid Differential Evolution and Bee Colony Algorithm

LI Jing-hua1,ZHANG Zheng1,FANG Da2,ZHANG Xin-yi3,JU Mo-xin4

(1.Northeast Dianli University,Jilin Jilin 132012；2.State Grid Liaoning Province Power Company Dalian Electric Power Supply Company,Liaoning Dalian 116021；3.State Grid Shaanxi Province Power Company Xi’an Electric Power Supply Company, Xi’an 710032；4.State Grid Jilin Province Power Company Power Research Institute,Changchun 130021)

Considered within the dynamic distribution of urban electric vehicle and the scale and cost of charging station，an integrated optimization model was pretend based on construction costs，running costs，power supply loss and the geographical conditions of a district.Based on the determined objective function，the spatial layout of charging station is optimized using hybrid differential evolution and bee colony algorithm(HDEBC).This algorithm mixed differential evolution algorithm and artificial bee colony algorithm to improve the convergence speed and optimize the objective function value.Finally，an example is present in the paper to prove the reliability and superiority of the running of the algorithm in the charging station layout optimization.

Hybrid differential evolution and bee colony algorithm；Electric vehicle；Charging station

2016-04-12

李菁華(1992-)，女，吉林省吉林市人，東北電力大學(xué)電氣工程學(xué)院在讀碩士研究生，主要研究方向：計(jì)算機(jī)在電力系統(tǒng)中的應(yīng)用、電動汽車充電站優(yōu)化布局.

1005-2992(2016)04-0084-08

TM72

A